論文の概要: Experimental Validation of User Experience-focused Dynamic Onboard Service Orchestration for Software Defined Vehicles
- arxiv url: http://arxiv.org/abs/2410.11847v1
- Date: Mon, 30 Sep 2024 06:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-20 10:10:15.494053
- Title: Experimental Validation of User Experience-focused Dynamic Onboard Service Orchestration for Software Defined Vehicles
- Title（参考訳）: ソフトウェア定義車両におけるユーザエクスペリエンスに着目した動的オンボードサービスオーケストレーションの実験検証
- Authors: Pierre Laclau, Stéphane Bonnet, Bertrand Ducourthial, Trista Lin, Xiaoting Li,
- Abstract要約: Software Defined Vehicles (SDV) は有望なソリューションとして登場した。
動的オンボードサービス管理を統合して,車両運用時のさまざまなユーザ要求サービスを処理する。
この設定でリソースを効率的に割り当てるのは、ユーザエクスペリエンスの最大化と、QoS(Quality-of-Service)ネットワーク要件の混在を保証するためのバランスを必要とするため、難しい作業です。
- 参考スコア（独自算出の注目度）: 28.56609990409653
- License:
- Abstract: In response to the growing need for dynamic software features in automobiles, Software Defined Vehicles (SDVs) have emerged as a promising solution. They integrate dynamic onboard service management to handle the large variety of user-requested services during vehicle operation. Allocating onboard resources efficiently in this setting is a challenging task, as it requires a balance between maximizing user experience and guaranteeing mixed-criticality Quality-of-Service (QoS) network requirements. Our previous research introduced a dynamic resource-based onboard service orchestration algorithm. This algorithm considers real-time invehicle and V2X network health, along with onboard resource constraints, to globally select degraded modes for onboard applications. It maximizes the overall user experience at all times while being embeddable onboard for on-the-fly decisionmaking. A key enabler of this approach is the introduction of the Automotive eXperience Integrity Level (AXIL), a metric expressing runtime priority for non-safety-critical applications. While initial simulation results demonstrated the algorithm's effectiveness, a comprehensive performance assessment would greatly contribute in validating its industrial feasibility. In this current work, we present experimental results obtained from a dedicated test bench. These results illustrate, validate, and assess the practicality of our proposed solution, providing a solid foundation for the continued advancement of dynamic onboard service orchestration in SDVs.
- Abstract（参考訳）: 自動車における動的ソフトウェア機能の必要性の高まりに対応して、ソフトウェア定義自動車(SDV)が有望なソリューションとして登場した。
動的オンボードサービス管理を統合して,車両運用時のさまざまなユーザ要求サービスを処理する。
この設定でリソースを効率的に割り当てるのは、ユーザエクスペリエンスの最大化と、QoS(Quality-of-Service)ネットワーク要件の混在を保証するためのバランスを必要とするため、難しい作業です。
これまでの研究では、動的リソースベースのオンボードサービスオーケストレーションアルゴリズムを導入しました。
このアルゴリズムは、オンボードアプリケーションのダウングレードモードをグローバルに選択するために、リアルタイムのイベヒクルとV2Xネットワークの健全性をオンボードのリソース制約とともに考慮している。
オンザフライで意思決定するための埋め込みが可能でありながら、ユーザエクスペリエンスを常に最大化する。
このアプローチの主要な実現要因は、安全でないアプリケーションに対する実行時の優先度を表す指標であるAutomotive eXperience Integrity Level (AXIL)の導入である。
最初のシミュレーション結果はアルゴリズムの有効性を示したが、包括的な性能評価は、その工業的実現可能性の検証に大きく貢献した。
本研究は,専用試験台から得られた実験結果について述べる。
これらの結果は,提案手法の実用性を示し,検証し,評価することにより,SDVにおける動的オンボードサービスオーケストレーションの継続的な発展の基盤となる。
関連論文リスト
- DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。
我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
論文 参考訳（メタデータ） (2024-03-29T12:46:07Z) - Real-time Control of Electric Autonomous Mobility-on-Demand Systems via Graph Reinforcement Learning [14.073588678179865]
エレクトロニック・モビリティ・オン・デマンド(E-AMoD)は、いくつかのリアルタイムな意思決定を行う必要がある。
強化学習のレンズによるE-AMoD制御問題を提案する。
本稿では,拡張性を大幅に向上し,性能の最適化に優れるグラフネットワークベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-09T22:57:21Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。
我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。
実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
論文 参考訳（メタデータ） (2023-06-21T16:26:59Z) - A multi-functional simulation platform for on-demand ride service
operations [15.991607428235257]
配車システムのためのマルチファンクショナルでオープンソースなシミュレーションプラットフォームを提案する。
実際の輸送ネットワーク上で様々なエージェントの挙動と動きをシミュレートすることができる。
ユーザーが様々な最適化アルゴリズムを訓練し、テストするためのいくつかのアクセス可能なポータルを提供する。
論文 参考訳（メタデータ） (2023-03-22T06:25:19Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement
in Edge-Enabled Internet of Vehicles [4.010371060637208]
5Gとエッジコンピューティングは、車載インターネット(IoV)の出現を可能にした
エッジでの限られたリソース、車両の高モビリティ、需要の増加、サービス要求タイプの動的性は、サービスの配置を困難なタスクにしました。
トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。
本稿では,最大エッジリソース使用量とサービス遅延を最小限に抑えることを目的とした,Deep Reinforcement Learningに基づく動的サービス配置フレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-11T10:17:27Z) - Reinforcement Learning-based Dynamic Service Placement in Vehicular
Networks [4.010371060637208]
さまざまなタイプのサービスの要求におけるトラフィックモビリティパターンとダイナミックスの複雑さは、サービスの配置を困難なタスクにしました。
トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。
本稿では,エッジサーバに最適なサービス配置を見つけるために,強化学習に基づく動的(RL-Dynamic)サービス配置フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-31T15:01:35Z) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳（メタデータ） (2021-03-08T05:34:05Z) - Fast Approximate Solutions using Reinforcement Learning for Dynamic
Capacitated Vehicle Routing with Time Windows [3.5232085374661284]
本稿では, CVRP-TWDR (Capacitated Vehicle Routing with Time Windows and Dynamic Routing) の一般クラスに対する, 本質的に並列化, 高速, 近似学習に基づくソリューションを開発する。
艦隊内の車両を分散エージェントとして考えると、強化学習(RL)ベースの適応は動的環境におけるリアルタイムルート形成の鍵となると仮定する。
論文 参考訳（メタデータ） (2021-02-24T06:30:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。